-
公开(公告)号：CN118871886A
公开(公告)日：2024-10-29
申请号：CN202280091893.8
申请日：2022-11-29
Applicant: 微软技术许可有限责任公司
Inventor： C·B·克莱门特 , S·K·邓 , 刘啸宇 , N·森达雷桑 , A·斯维亚特科夫斯基
Abstract: 约束解码技术在解码过程的每个时间步骤中将词元约束合并到束搜索中，以生成在句法和语义上正确的可行的候选序列。词元约束标识应该出现在候选序列中的源代码词元或词元序列。词元约束是通过检查在每个解码步骤处预测的词元是否适用于基于编程语言的语法的产生规则、部分序列的句法正确性和/或静态类型正确性的部分解而被生成的。
-
公开(公告)号：CN116917865A
公开(公告)日：2023-10-20
申请号：CN202280013554.8
申请日：2022-01-20
Applicant: 微软技术许可有限责任公司
Inventor： C·B·克莱门特 , R·齐卢基安·穆加达姆 , N·森达雷桑
IPC: G06F9/451
Abstract: 示例生成工具生成示出命令行界面的命令的正确使用的示例。命令可以包括命令名、零个或多个子命令以及具有对应参数值的一个或多个参数。包括命令的正确语法的模板被从模板数据库中获取。给定命令模板，从具有注意力的神经变换器生成针对模板的参数值。
-
Patent Agency Ranking
公开(公告)号：CN119487512A
公开(公告)日：2025-02-18
申请号：CN202380051235.0
申请日：2023-06-15
Applicant: 微软技术许可有限责任公司
Inventor： A·Y-C·陈 , C·B·克莱门特 , Y·莫希列夫斯基 , N·森达雷桑 , R·齐卢基安·穆加达姆
IPC: G06F21/57
Abstract: 神经分类器模型被用于检测源代码中的网络安全漏洞，该网络安全漏洞由已经在可能包含安全漏洞的源代码上被训练的深度学习代码生成模型来预测。在分类器模型将所给定的源代码片段分类为可能包含网络安全漏洞时，从已经在非易受攻击的源代码上被训练的神经解码器变换器模型来预测针对网络安全漏洞的所提出的修复。神经解码器变换器模型被用于预测源代码，该源代码在给定以网络安全漏洞来分类的源代码的情况下修复网络安全漏洞。
-
公开(公告)号：CN118103822A
公开(公告)日：2024-05-28
申请号：CN202280069789.9
申请日：2022-08-23
Applicant: 微软技术许可有限责任公司
Inventor： C·B·克莱门特 , S·K·邓 , N·森达雷桑 , A·斯维亚特科夫斯基 , M·图法诺
Abstract: 一种测试驱动的开发系统利用一种带注意力的神经变换器模型，用以在给定焦点方法的关联测试用例以及可选的焦点方法的方法签名和文档串的情况下生成焦点方法的方法体。验证候选方法体的句法正确性，使用给定的测试用例测试候选方法体，并且利用目标系统中的施主类测试候选方法体。然后，基于PLUM得分对那些通过验证和测试的候选方法体进行排序，PLUM得分对照各种质量指标和性能指标来分析候选方法体。
-
公开(公告)号：CN118451426A
公开(公告)日：2024-08-06
申请号：CN202280083894.8
申请日：2022-10-27
Applicant: 微软技术许可有限责任公司
Inventor： C·B·克莱门特 , S·K·邓 , N·森达雷桑 , A·斯维亚特科夫斯基
IPC: G06N3/0495 , G06N3/0455 , G06N3/0985 , G06N3/063 , G06F18/23213
Abstract: 深度学习模型在其训练期间被量化以执行目标软件工程任务。在训练期间，全精度浮点权重的一部分通过标量量化或乘积量化被量化成INT4或INT8数据类型，以使模型对量化更有弹性并且减少量化的模型输出与全精度模型输出之间的噪声。在标量量化中，每个子块由被映射至码本的码字中的单个权重组成。在乘积量化中，使用单位矩阵和质心的码本将量化权重映射至其原始值。
-
公开(公告)号：CN118318222A
公开(公告)日：2024-07-09
申请号：CN202280078388.X
申请日：2022-10-27
Applicant: 微软技术许可有限责任公司
Inventor： C·B·克莱门特 , S·钱德尔 , G·塞拉托·卡斯蒂拉 , N·森达雷桑
Abstract: 本文整体讨论了用于生成自动交互式数字笔记本补全模型的设备、系统和方法。方法可以包括接收交互式数字笔记本的笔记本内容，笔记本内容包括markdown单元格，markdown单元格之后是代码单元格。方法可以包括生成输入/输出示例，通过针对每个输入/输出示例，通过掩蔽(i)markdown单元格的内容或者(ii)产生经掩蔽的单元格的代码单元格的内容中的一项；标识经掩蔽的单元格以及markdown单元格的另一单元格的内容或者未被掩蔽的代码作为针对输入/输出示例的输入；以及将经掩蔽的单元格的内容标识为针对输入/输出示例的输出。方法可以包括基于输入/输出示例，训练自然语言处理模型，自然语言处理模型生成对第二经掩蔽的单元格的内容的预测作为输出。
-
公开(公告)号：CN117529727A
公开(公告)日：2024-02-06
申请号：CN202280041923.4
申请日：2022-05-11
Applicant: 微软技术许可有限责任公司
IPC: G06N3/0464 , G06N3/08
Abstract: 一种云平台包括多个web服务，web服务有助于对针对软件工程任务配置的预训练深度学习模型进行自动调优和部署。自动调优和部署允许开发人员在不访问预先存在且经微调的模型的参数的情况下，以不需要用户管理输入的方式对预先存在的模型进行微调。云平台为每个预训练模型提供文件集，文件集被用于在无需用户输入的情况下自动构建用于对模型进行微调的微调基础结构以及部署了经微调的模型的部署基础结构。
-
-
-
-
-
-
Search Results
7
records
(took 0.026 seconds)
